CN113989597B - 车辆重识别方法、装置、电子设备及存储介质 - Google Patents

车辆重识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113989597B
CN113989597B CN202111617341.XA CN202111617341A CN113989597B CN 113989597 B CN113989597 B CN 113989597B CN 202111617341 A CN202111617341 A CN 202111617341A CN 113989597 B CN113989597 B CN 113989597B
Authority
CN
China
Prior art keywords
vehicle
sample
features
sample vehicle
loss function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111617341.XA
Other languages
English (en)
Other versions
CN113989597A (zh
Inventor
王金桥
郭海云
李巍
赵朝阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Objecteye Beijing Technology Co Ltd
Original Assignee
Objecteye Beijing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Objecteye Beijing Technology Co Ltd filed Critical Objecteye Beijing Technology Co Ltd
Priority to CN202111617341.XA priority Critical patent/CN113989597B/zh
Publication of CN113989597A publication Critical patent/CN113989597A/zh
Application granted granted Critical
Publication of CN113989597B publication Critical patent/CN113989597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供车辆重识别方法、装置、电子设备及存储介质，其中方法包括：获取待识别的车辆图像；将车辆图像输入至车辆重识别模型，得到车辆重识别模型输出的车辆识别结果；其中，车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下车辆重识别模型的增强交叉熵损失和增强三元组损失。本发明提供的方法、装置、电子设备及存储介质，扩增后的特征包含了更丰富的语义信息，提高了模型的泛化能力和识别准确度。

Description

车辆重识别方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种车辆重识别方法、装置、电子设备及存储介质。
背景技术
车辆重识别旨在从多个摄像头捕捉到的图像中寻找同一个目标车辆，其难点在于外观相似的不同车辆的图像之间的差异较小，而在不同视角或者不同光照条件下同一车辆的图像之间的差异较大。
现有技术中，通过获取大量的样本图像，对样本图像进行平移、翻转、旋转和对比度等变换，扩增样本的数据量，用于对车辆重识别模型进行训练。然而，通过上述数据扩增方法的方式较为简单，扩增后的数据信息量不够丰富，训练后的模型的泛化能力差，识别准确度差。
发明内容
本发明提供一种车辆重识别方法、装置、电子设备及存储介质，用于解决现有技术中的车辆重识别方法的数据扩增方式简单，扩增后的数据训练得到的模型泛化能力差、识别准确度差的技术问题。
本发明提供一种车辆重识别方法，包括：
获取待识别的车辆图像；
将所述车辆图像输入至车辆重识别模型，得到所述车辆重识别模型输出的车辆识别结果；
其中，所述车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；
所述车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下所述车辆重识别模型的增强交叉熵损失和增强三元组损失。
根据本发明提供的车辆重识别方法，所述基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增，包括：
Figure 511268DEST_PATH_IMAGE001
其中，
Figure 920384DEST_PATH_IMAGE002
为样本车辆图像
Figure 381453DEST_PATH_IMAGE003
的特征，
Figure 483401DEST_PATH_IMAGE004
为样本车辆图像
Figure 397130DEST_PATH_IMAGE003
的扩增特征，
Figure 875516DEST_PATH_IMAGE005
为高维高斯 分布，
Figure 185231DEST_PATH_IMAGE006
为样本车辆图像
Figure 458081DEST_PATH_IMAGE003
的样本车辆标注结果，
Figure 124686DEST_PATH_IMAGE007
为
Figure 875604DEST_PATH_IMAGE006
对应的所有样本车辆图像的特征 的方差矩阵或者协方差矩阵，
Figure 311264DEST_PATH_IMAGE008
为调整系数。
根据本发明提供的车辆重识别方法，所述车辆重识别模型的损失函数为：
Figure 755015DEST_PATH_IMAGE009
其中，
Figure 643337DEST_PATH_IMAGE010
为所述车辆重识别模型的损失函数，
Figure 463525DEST_PATH_IMAGE011
为增强交叉熵损失函数，
Figure 753692DEST_PATH_IMAGE012
为增强三元组损失函数，
Figure 633924DEST_PATH_IMAGE013
为所述增强交叉熵损失函数的权重，
Figure 743962DEST_PATH_IMAGE014
为所述增强三元 组损失函数的权重。
根据本发明提供的车辆重识别方法，所述车辆重识别模型的增强交叉熵损失函数为：
Figure 102262DEST_PATH_IMAGE015
其中，
Figure 512515DEST_PATH_IMAGE016
为样本车辆图像的数量，
Figure 32489DEST_PATH_IMAGE017
为样本车辆标注结果的数量，
Figure 889544DEST_PATH_IMAGE018
为
Figure 51535DEST_PATH_IMAGE006
对应的 全连接层的权重，
Figure 50715DEST_PATH_IMAGE019
为
Figure 272749DEST_PATH_IMAGE006
对应的全连接层的偏差，
Figure 622958DEST_PATH_IMAGE020
为样本车辆标注结果
Figure 57482DEST_PATH_IMAGE021
对应的全连接 层的权重，
Figure 176748DEST_PATH_IMAGE022
为样本车辆标注结果
Figure 304104DEST_PATH_IMAGE021
对应的全连接层的偏差，
Figure 141610DEST_PATH_IMAGE023
，
Figure 645403DEST_PATH_IMAGE024
为转置运算符号。
根据本发明提供的车辆重识别方法，所述车辆重识别模型的增强三元组损失函数为：
Figure 353596DEST_PATH_IMAGE025
其中，
Figure 917433DEST_PATH_IMAGE026
为样本车辆图像的每个训练批次数量，
Figure 242235DEST_PATH_IMAGE027
为每个训练批次中样本车辆标注 结果的数量，
Figure 18561DEST_PATH_IMAGE028
为每个训练批次中单个样本车辆标注结果对应的样本车辆图像的数量，
Figure 112419DEST_PATH_IMAGE029
为 训练批次的标号，
Figure 841298DEST_PATH_IMAGE030
为样本车辆标注结果的标号，
Figure 387816DEST_PATH_IMAGE031
为单个样本车辆标注结果对应的样本车 辆图像的标号，
Figure 498992DEST_PATH_IMAGE032
为目标扩增特征
Figure 181777DEST_PATH_IMAGE033
与正样本扩增特征
Figure 87416DEST_PATH_IMAGE034
之间的距离，
Figure 855652DEST_PATH_IMAGE035
为 目标扩增特征
Figure 239360DEST_PATH_IMAGE033
与负样本扩增特征
Figure 307810DEST_PATH_IMAGE036
之间的距离，
Figure 384351DEST_PATH_IMAGE037
为正负样本对之间的距离阈值；
其中，所述目标扩增特征
Figure 639883DEST_PATH_IMAGE033
、所述正样本扩增特征
Figure 827281DEST_PATH_IMAGE034
和所述负样本扩增特征
Figure 750238DEST_PATH_IMAGE036
是 基于各个样本车辆图像的扩增特征确定的。
根据本发明提供的车辆重识别方法，所述将所述车辆图像输入至车辆重识别模型，得到所述车辆重识别模型输出的车辆识别结果，包括：
将所述车辆图像输入至所述车辆重识别模型的特征提取层，得到所述特征提取层输出的特征；
将所述特征输入至所述车辆重识别模型的特征处理层，得到所述特征处理层输出的归一化特征；
将所述归一化特征输入至所述车辆重识别模型的特征识别层，得到所述特征识别层输出的车辆识别结果。
根据本发明提供的车辆重识别方法，所述特征提取层为ResNet。
本发明提供一种车辆重识别装置，包括：
获取单元，用于获取待识别的车辆图像；
识别单元，用于将所述车辆图像输入至车辆重识别模型，得到所述车辆重识别模型输出的车辆识别结果；
其中，所述车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；
所述车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下所述车辆重识别模型的增强交叉熵损失和增强三元组损失。
本发明提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述车辆重识别方法的步骤。
本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述车辆重识别方法的步骤。
本发明提供的车辆重识别方法、装置、电子设备及存储介质，将待识别的车辆图像输入至车辆重识别模型，得到车辆重识别模型输出的车辆识别结果；车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的，车辆重识别模型的损失函数是在根据每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下得到的，使得车辆重识别模型既能够学习识别样本车辆图像中的特征，又能够学习识别各样本车辆标注结果中所有样本车辆图像的特征的变化特征，相当于在特征层面实现了对样本数据的扩增，使得模型能够学习识别更丰富的语义信息，提高了模型的泛化能力和识别准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的车辆重识别方法的流程示意图；
图2是本发明提供的车辆重识别模型的结构示意图；
图3是本发明提供的车辆重识别装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明提供的车辆重识别方法的流程示意图，如图1所示，该方法包括：
步骤110，获取待识别的车辆图像；
步骤120，将车辆图像输入至车辆重识别模型，得到车辆重识别模型输出的车辆识别结果；
其中，车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；
车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下，车辆重识别模型的增强交叉熵损失和增强三元组损失。
具体地，车辆图像为包含目标车辆的图像。车辆重识别的目的就是要从多个车辆图像中将目标车辆识别出来。车辆重识别可以通过车辆重识别模型来实现。车辆重识别模型可以对车辆图像中的特征进行提取，并根据提取到的特征识别得到车辆识别结果。可以通过样本车辆图像对初始模型进行训练后得到车辆重识别模型。
现有技术中为了提高车辆重识别模型的性能，可以采用大量的样本车辆图像进行标注，得到样本车辆图像的样本车辆标注结果，然后对初始模型进行训练。由于标注训练样本的成本较高且样本不易获得，还可以采用对样本图像进行旋转、翻转、裁剪和放缩等变换，将一张样本图像扩展出多张图像，增加训练数据。然而，上述变换得到的图像对模型的泛化能力和识别准确度的提升十分有限。
本发明实施例提供一种基于隐式语义数据扩增的方法，可以训练得到车辆重识别模型。
首先，收集大量的样本车辆图像；其次，对每一样本车辆图像进行标注，得到每一样本车辆图像对应的样本车辆标注结果。训练的样本可以按照样本车辆标注结果分为多个类。再次，根据多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像，对初始模型进行训练，得到车辆重识别模型。应用该车辆重识别模型时，车辆识别结果为样本车辆标注结果中的至少一个。一个样本车辆标注结果对于一个样本车辆。
在上述训练过程中，为了使初始模型能够学习到更多的特征，可以考虑在特征层 面对训练样本进行数据扩增，可以根据每一样本车辆标注结果对应的所有样本车辆图像的 特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增。例如，根据样本 车辆标注结果A（也就是样本车辆A）对应的所有样本车辆图像的特征{
Figure 732101DEST_PATH_IMAGE038
,
Figure 740508DEST_PATH_IMAGE039
，…，
Figure 731598DEST_PATH_IMAGE040
，…，
Figure 261060DEST_PATH_IMAGE041
}，
Figure 679403DEST_PATH_IMAGE042
为样本车辆图像的数量，
Figure 909527DEST_PATH_IMAGE043
为某一样本车辆图像的标号，对每个
Figure 438728DEST_PATH_IMAGE044
（
Figure 70698DEST_PATH_IMAGE045
）进行扩增，扩 增的方式为在以
Figure 394363DEST_PATH_IMAGE040
为均值，该样本车辆的所有样本车辆图像的特征的方差或者协方差为 方差的高维高斯分布上采样得到的等。
由于上述数据扩增方式是在特征层面进行，不改变样本车辆标注信息，对于训练结果的改变可以仅仅体现在模型的损失上面。
车辆重识别模型的损失函数又可以用于表征模型的交叉熵损失和三元组损失。其中，交叉熵损失，可以用于在全局层面对车辆重识别模型的损失进行约束。三元组损失，可以用于在局部层面对车辆重识别模型的损失进行约束，使得同一类别的特征在特征空间中靠近，不同类别的特征在特征空间中远离。本发明实施例中提供的交叉熵损失函数，是在原有交叉熵损失函数的基础上进行改进后得到的。同样的，本发明实施例中提供的三元组损失函数也是在原有三元组损失函数的基础上进行改进后得到的。为了以示区别，在后续实施例中可以称为增强交叉熵损失函数和增强三元组损失函数。
本发明实施例提供的车辆重识别方法，将待识别的车辆图像输入至车辆重识别模型，得到车辆重识别模型输出的车辆识别结果；车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的，车辆重识别模型的损失函数是在根据每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下得到的，使得车辆重识别模型既能够学习识别样本车辆图像中的特征，又能够学习识别各样本车辆标注结果中所有样本车辆图像的特征的变化特征，相当于在特征层面实现了对样本数据的扩增，使得模型能够学习识别更丰富的语义信息，提高了模型的泛化能力和识别准确度。
基于上述任一实施例，基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增，包括：
Figure 377363DEST_PATH_IMAGE001
其中，
Figure 710255DEST_PATH_IMAGE046
为样本车辆图像
Figure 196731DEST_PATH_IMAGE043
的特征，
Figure 222456DEST_PATH_IMAGE047
为样本车辆图像
Figure 161593DEST_PATH_IMAGE043
的扩增特征，
Figure 32597DEST_PATH_IMAGE048
为高维 高斯分布，
Figure 373580DEST_PATH_IMAGE049
为样本车辆图像
Figure 570206DEST_PATH_IMAGE043
的样本车辆标注结果，
Figure 996639DEST_PATH_IMAGE007
为
Figure 665475DEST_PATH_IMAGE049
对应的所有样本车辆 图像的特征的方差矩阵或者协方差矩阵，
Figure 126543DEST_PATH_IMAGE050
为调整系数。
具体地，在特征层面对样本车辆图像的特征进行扩增的过程，就是希望扩增后的特征能够包含所在的样本车辆标注结果中所有样本的特征在特征空间中的变化信息，可以通过在深层特征空间进行随机采样的方式进行特征扩增。
所有样本的特征在特征空间中的变化信息可以通过方差矩阵或者协方差矩阵来表示。以协方差为例，可以用协方差来表示一个样本车辆标注结果中所有样本的特征在特征空间中的总体误差。可以采用随机抽样的方式来获取样本车辆标注结果中所有样本的特征在特征空间中的变化信息。
相应地，可以采用一个零均值的正态分布来体现随机采样过程，可以采用样本车辆标注结果中所有样本的特征所对应的协方差矩阵来体现特征变化信息，则对特征进行隐式语义扩增，用公式表示为：
Figure 228491DEST_PATH_IMAGE001
其中，
Figure 142221DEST_PATH_IMAGE046
为样本车辆图像
Figure 620606DEST_PATH_IMAGE043
的特征，
Figure 936181DEST_PATH_IMAGE047
为样本车辆图像
Figure 474610DEST_PATH_IMAGE043
的扩增特征，
Figure 610056DEST_PATH_IMAGE048
为高维高 斯分布，
Figure 892133DEST_PATH_IMAGE049
为样本车辆图像
Figure 327794DEST_PATH_IMAGE043
的样本车辆标注结果，
Figure 505965DEST_PATH_IMAGE007
为
Figure 659866DEST_PATH_IMAGE049
对应的所有样本车辆图 像的特征的方差矩阵或者协方差矩阵，
Figure 480054DEST_PATH_IMAGE050
为调整系数。
上式中，采用零均值采样可以使得扩增后得到的扩增特征能够包含原样本车辆图像中的信息，采用协方差均值矩阵可以使得扩增后得到的扩增特征能够包含该样本车辆中所有样本的特征在特征空间中的变化信息。
由于上述扩增是在提取样本车辆图像的特征之后才进行的，且是在特征层面进行扩增，与现有技术中在图像层面不同，因此，上述数据扩增方法又可以被称为隐式语义数据扩增。
由于模型训练过程中，协方差矩阵是动态计算的，当模型没有得到很好的训练时 所包含的信息量较少，可以设置调整系数
Figure 504642DEST_PATH_IMAGE050
，用公式表示为：
Figure 119294DEST_PATH_IMAGE051
其中，
Figure 489053DEST_PATH_IMAGE052
为当前迭代次数，
Figure 847353DEST_PATH_IMAGE053
为总迭代次数，
Figure 992026DEST_PATH_IMAGE054
为调整系数初始值。
基于上述任一实施例，车辆重识别模型的损失函数为：
Figure 43159DEST_PATH_IMAGE009
其中，
Figure 640493DEST_PATH_IMAGE055
为车辆重识别模型的损失函数，
Figure 802485DEST_PATH_IMAGE056
为增强交叉熵损失函数，
Figure 67244DEST_PATH_IMAGE057
为增强三元组损失函数，
Figure 289278DEST_PATH_IMAGE058
为增强交叉熵损失函数的权重，
Figure 108329DEST_PATH_IMAGE059
为增强三元组损失 函数的权重。
具体地，车辆重识别模型的损失函数可以包括增强交叉熵损失函数和增强三元组损失函数。可以通过设置不同的权重，来调节训练过程重增强交叉熵损失和增强三元组损失的占比。
其中，增强交叉熵损失函数，可以用于在全局层面对车辆重识别模型的损失进行约束。例如，在所有样本车辆标注结果中，计算分类过程中的交叉熵损失。
增强三元组损失函数，可以用于在局部层面对车辆重识别模型的损失进行约束，使得同一类别的特征在特征空间中靠近，不同类别的特征在特征空间中远离。例如，在一个样本车辆标注结果中，可以随机选择一个特征作为目标特征，然后选择同一样本车辆标注结果中的另一特征作为正样本特征，选择不同样本车辆标注结果中的另一特征作为负样本特征，从而确定三元组损失。
基于上述任一实施例，车辆重识别模型的增强交叉熵损失函数为：
Figure 74011DEST_PATH_IMAGE060
其中，
Figure 193277DEST_PATH_IMAGE061
为样本车辆图像的数量，
Figure 320633DEST_PATH_IMAGE062
为样本车辆标注结果的数量，
Figure 158139DEST_PATH_IMAGE018
为
Figure 661932DEST_PATH_IMAGE049
对应的全连接层的权重，
Figure 364266DEST_PATH_IMAGE063
为
Figure 928103DEST_PATH_IMAGE049
对应的全连接层的偏差，
Figure 987325DEST_PATH_IMAGE064
为样本车辆标注结果
Figure 29231DEST_PATH_IMAGE065
对应的全连接层的权重，
Figure 123089DEST_PATH_IMAGE066
为样本车辆标注结果
Figure 857827DEST_PATH_IMAGE065
对应的全连接层的偏差，
Figure 138766DEST_PATH_IMAGE023
，
Figure 984363DEST_PATH_IMAGE053
为转置运算符号。
具体地，上述式子中的
Figure 932727DEST_PATH_IMAGE067
和b分别表示车辆重识别模型的全连接层中的权重和偏 差，具体定义由下标确定。例如，
Figure 838366DEST_PATH_IMAGE018
为
Figure 872181DEST_PATH_IMAGE049
对应的全连接层的权重，对应于全连接层权 重矩阵的第
Figure 255889DEST_PATH_IMAGE049
列向量。
Figure 324339DEST_PATH_IMAGE063
为
Figure 400880DEST_PATH_IMAGE049
对应的全连接层的偏差，对应于全连接层的第
Figure 656412DEST_PATH_IMAGE049
个偏差。
下面为增强交叉熵损失函数的推导过程：
对于车辆重识别模型，若直接根据交叉熵损失的定义，可以求解得到交叉熵损失函数的初始公式为：
Figure 861389DEST_PATH_IMAGE068
（1）
当采用每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆 标注结果对应的各个样本车辆图像的特征进行扩增时，也就是对样本车辆图像
Figure 784345DEST_PATH_IMAGE043
的特征
Figure 31787DEST_PATH_IMAGE069
在特征维度上进行扩增，假设
Figure 509036DEST_PATH_IMAGE001
，在这个高维高斯分布上采样，并且采 样次数趋近于无穷（
Figure 500126DEST_PATH_IMAGE070
）时，交叉熵损失函数的初始公式可以表示为：
Figure 12010DEST_PATH_IMAGE071
（2）
其中，
Figure 430353DEST_PATH_IMAGE072
为扩增特征
Figure 926056DEST_PATH_IMAGE047
的期望。
下面对式（2）求上界。先对分式项进行整理得到：
Figure 455257DEST_PATH_IMAGE073
（3）
再根据Jensen不等式
Figure 87227DEST_PATH_IMAGE074
求上限得到：
Figure 676471DEST_PATH_IMAGE075
（4）
再根据矩母函数，矩母函数为
Figure 128312DEST_PATH_IMAGE076
， 由于假设条件
Figure 461205DEST_PATH_IMAGE001
，则式（4）中的
Figure 947681DEST_PATH_IMAGE077
也 服从于高斯分布，即：
Figure 707826DEST_PATH_IMAGE078
并将t=1得到：
Figure 906684DEST_PATH_IMAGE079
（5）
将式（5）幂函数整理成分式的形式，并令
Figure 777688DEST_PATH_IMAGE023
得到最终式， 也就是增强交叉熵损失函数：
Figure 384249DEST_PATH_IMAGE080
（6）
基于上述任一实施例，车辆重识别模型的增强三元组损失函数为：
Figure 315296DEST_PATH_IMAGE081
其中，
Figure 741730DEST_PATH_IMAGE082
为样本车辆图像的每个训练批次数量，
Figure 682004DEST_PATH_IMAGE083
为每个训练批次中样本车辆标 注结果的数量，
Figure 143072DEST_PATH_IMAGE084
为每个训练批次中单个样本车辆标注结果对应的样本车辆图像的数量，
Figure 979441DEST_PATH_IMAGE085
为训练批次的标号，
Figure 158750DEST_PATH_IMAGE086
为样本车辆标注结果的标号，
Figure 637136DEST_PATH_IMAGE087
为单个样本车辆标注结果对应的样 本车辆图像的标号，
Figure 687131DEST_PATH_IMAGE088
为目标扩增特征
Figure 225560DEST_PATH_IMAGE089
与正样本扩增特征
Figure 361006DEST_PATH_IMAGE090
之间的距离，
Figure 643083DEST_PATH_IMAGE091
为目标扩增特征
Figure 813164DEST_PATH_IMAGE089
与负样本扩增特征
Figure 251056DEST_PATH_IMAGE092
之间的距离，
Figure 139377DEST_PATH_IMAGE093
为正负样本对之间 的距离阈值；
其中，目标扩增特征
Figure 693986DEST_PATH_IMAGE089
、正样本扩增特征
Figure 984153DEST_PATH_IMAGE090
和负样本扩增特征
Figure 864385DEST_PATH_IMAGE092
是基于各 个样本车辆图像的扩增特征确定的。
具体地，
Figure 240002DEST_PATH_IMAGE094
等价于
Figure 598303DEST_PATH_IMAGE095
。
其中，
Figure 742976DEST_PATH_IMAGE096
。
可以将所有的样本车辆图像分为多个训练单元，每一训练单元包括
Figure 794109DEST_PATH_IMAGE082
个训练批 次。
对样本车辆图像提取特征后，在任一样本车辆标注结果对应的样本车辆图像中， 可以随机选择一个样本车辆图像的特征作为目标特征
Figure 391443DEST_PATH_IMAGE097
，然后选择同一样本车辆标注结 果对应的另一样本车辆图像的特征作为正样本特征
Figure 553434DEST_PATH_IMAGE098
，选择不同样本车辆标注结果对应 的另一样本车辆图像的特征作为负样本特征
Figure 552614DEST_PATH_IMAGE099
，从而构成三元组样本特征
Figure 509069DEST_PATH_IMAGE100
。
相应地，在特征扩增后，确定目标特征
Figure 859279DEST_PATH_IMAGE097
对应的目标扩增特征
Figure 553522DEST_PATH_IMAGE089
，正样本特征
Figure 672788DEST_PATH_IMAGE098
对应的正样本扩增特征
Figure 65723DEST_PATH_IMAGE090
，负样本特征
Figure 372071DEST_PATH_IMAGE099
对应的负样本扩增特征
Figure 875865DEST_PATH_IMAGE092
，从而构成 三元组样本扩增特征
Figure 115216DEST_PATH_IMAGE101
。
在特征扩增前后，三元组样本特征和三元组样本扩增特征满足：
Figure 413473DEST_PATH_IMAGE102
其中，
Figure 738275DEST_PATH_IMAGE103
为
Figure 780181DEST_PATH_IMAGE104
两个特征间的距离度量，
Figure 874039DEST_PATH_IMAGE105
为
Figure 608776DEST_PATH_IMAGE106
两个 特征间的距离度量，
Figure 889716DEST_PATH_IMAGE088
为
Figure 735312DEST_PATH_IMAGE107
两个扩增特征的分布的距离度量，
Figure 683677DEST_PATH_IMAGE091
为
Figure 323737DEST_PATH_IMAGE108
两个扩增特征的分布的距离度量。
对于
Figure 187630DEST_PATH_IMAGE105
和
Figure 836917DEST_PATH_IMAGE105
，可以采用L2范数的平方进行求解，例如：
Figure 374209DEST_PATH_IMAGE109
对于
Figure 450749DEST_PATH_IMAGE088
和
Figure 971860DEST_PATH_IMAGE091
，可以采用KL(Kullback-Leibler)散度进行计算，例 如：
Figure 159259DEST_PATH_IMAGE110
Figure 816637DEST_PATH_IMAGE111
其中，
Figure 64078DEST_PATH_IMAGE112
为目标扩增特征
Figure 72486DEST_PATH_IMAGE089
在第
Figure 63576DEST_PATH_IMAGE042
个维度的均值向量，
Figure 575459DEST_PATH_IMAGE113
为目标扩 增特征
Figure 993802DEST_PATH_IMAGE089
在第
Figure 223927DEST_PATH_IMAGE042
个维度的标准差向量，
Figure 753128DEST_PATH_IMAGE114
为正样本扩增特征
Figure 385098DEST_PATH_IMAGE090
在第
Figure 968483DEST_PATH_IMAGE042
个维度的 均值向量，
Figure 685903DEST_PATH_IMAGE115
为正样本扩增特征
Figure 18795DEST_PATH_IMAGE090
在第
Figure 505271DEST_PATH_IMAGE042
个维度的标准差向量，
Figure 265417DEST_PATH_IMAGE116
为维度数量，
Figure 470133DEST_PATH_IMAGE117
为计算系数。
在此基础上，可以得到增强三元组损失函数。
此外，为了保证快速收敛，可以对三元组样本的选择也很重要。在一个训练批次中，可以让每个样本与该批次中最困难的正负样本构成三元组样本。
基于上述任一实施例，步骤120包括：
将车辆图像输入至车辆重识别模型的特征提取层，得到特征提取层输出的特征；
将特征输入至车辆重识别模型的特征处理层，得到特征处理层输出的归一化特征；
将归一化特征输入至车辆重识别模型的特征识别层，得到特征识别层输出的车辆识别结果。
具体地，图2是本发明提供的车辆重识别模型的结构示意图，如图2所示，车辆重识别模型的模型结构可以包括特征提取层、特征处理层和特征识别层。
其中，特征提取层用于对输入的车辆图像进行特征提取，得到特征。特征提取层还可以包括一个全局平均池化层，用于减少参数数量，减少计算量。
特征处理层用于对扩增特征进行归一化处理，减小特征之间的单位和尺度的影响，得到归一化特征。
特征识别层可以为全连接层，用于对归一化特征进行识别，得到车辆识别结果。
基于上述任一实施例，特征提取层为ResNet。
具体地，可以采用ResNet用于提取样本车辆图像的特征。ResNet（Deep residualnetwork，深度残差网络）容易优化，并且能够通过增加深度来提高准确率，网络内部使用了跳跃连接，缓解了由于深度增加带来的梯度消失问题，能够尽可能多地提取到样本车辆图像的特征。
基于上述任一实施例，图3是本发明提供的车辆重识别装置的结构示意图，如图3所示，该车辆重识别装置包括：
获取单元310，用于获取待识别的车辆图像；
识别单元320，用于将车辆图像输入至车辆重识别模型，得到车辆重识别模型输出的车辆识别结果；
其中，车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；
车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下，车辆重识别模型的增强交叉熵损失和增强三元组损失。
本发明实施例提供的车辆重识别装置，将待识别的车辆图像输入至车辆重识别模型，得到车辆重识别模型输出的车辆识别结果；车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的，车辆重识别模型的损失函数是在根据每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下得到的，使得车辆重识别模型既能够学习识别样本车辆图像中的特征，又能够学习识别各样本车辆标注结果中所有样本车辆图像的特征的变化特征，相当于在特征层面实现了对样本数据的扩增，使得模型能够学习识别更丰富的语义信息，提高了模型的泛化能力和识别准确度。
基于上述任一实施例，该装置基于如下公式进行特征扩增：
Figure 606717DEST_PATH_IMAGE001
其中，
Figure 947699DEST_PATH_IMAGE046
为样本车辆图像
Figure 878746DEST_PATH_IMAGE043
的特征，
Figure 570759DEST_PATH_IMAGE047
为样本车辆图像
Figure 979874DEST_PATH_IMAGE043
的扩增特征，
Figure 440943DEST_PATH_IMAGE048
为高维 高斯分布，
Figure 808470DEST_PATH_IMAGE049
为样本车辆图像
Figure 987779DEST_PATH_IMAGE043
的样本车辆标注结果，
Figure 935006DEST_PATH_IMAGE007
为
Figure 510301DEST_PATH_IMAGE049
对应的所有样本车辆 图像的特征的方差矩阵或者协方差矩阵，
Figure 517571DEST_PATH_IMAGE050
为调整系数。
基于上述任一实施例，车辆重识别模型的损失函数为：
Figure 184176DEST_PATH_IMAGE009
其中，
Figure 200673DEST_PATH_IMAGE055
为车辆重识别模型的损失函数，
Figure 636334DEST_PATH_IMAGE056
为增强交叉熵损失函数，
Figure 80085DEST_PATH_IMAGE057
为增强三元组损失函数，
Figure 968406DEST_PATH_IMAGE058
为增强交叉熵损失函数的权重，
Figure 788595DEST_PATH_IMAGE059
为增强三元组损失 函数的权重。
基于上述任一实施例，车辆重识别模型的增强交叉熵损失函数为：
Figure 813183DEST_PATH_IMAGE060
其中，
Figure 693414DEST_PATH_IMAGE061
为样本车辆图像的数量，
Figure 69032DEST_PATH_IMAGE062
为样本车辆标注结果的数量，
Figure 427332DEST_PATH_IMAGE018
为
Figure 572005DEST_PATH_IMAGE049
对应的全连接层的权重，
Figure 623138DEST_PATH_IMAGE063
为
Figure 486052DEST_PATH_IMAGE049
对应的全连接层的偏差，
Figure 376604DEST_PATH_IMAGE064
为样本车辆标注结果
Figure 375784DEST_PATH_IMAGE065
对应的全连接层的权重，
Figure 66660DEST_PATH_IMAGE066
为样本车辆标注结果
Figure 416869DEST_PATH_IMAGE065
对应的全连接层的偏差，
Figure 382551DEST_PATH_IMAGE023
，
Figure 501817DEST_PATH_IMAGE053
为转置运算符号。
基于上述任一实施例，车辆重识别模型的增强三元组损失函数为：
Figure 363594DEST_PATH_IMAGE025
其中，
Figure 201100DEST_PATH_IMAGE082
为样本车辆图像的每个训练批次数量，
Figure 704894DEST_PATH_IMAGE083
为每个训练批次中样本车辆标 注结果的数量，
Figure 944245DEST_PATH_IMAGE084
为每个训练批次中单个样本车辆标注结果对应的样本车辆图像的数量，
Figure 976923DEST_PATH_IMAGE085
为训练批次的标号，
Figure 301725DEST_PATH_IMAGE086
为样本车辆标注结果的标号，
Figure 609210DEST_PATH_IMAGE087
为单个样本车辆标注结果对应的样 本车辆图像的标号，
Figure 437488DEST_PATH_IMAGE088
为目标扩增特征
Figure 172226DEST_PATH_IMAGE089
与正样本扩增特征
Figure 470744DEST_PATH_IMAGE090
之间的距离，
Figure 581920DEST_PATH_IMAGE091
为目标扩增特征
Figure 530284DEST_PATH_IMAGE089
与负样本扩增特征
Figure 170344DEST_PATH_IMAGE092
之间的距离，
Figure 204159DEST_PATH_IMAGE093
为正负样本对之间 的距离阈值；
其中，目标扩增特征
Figure 853446DEST_PATH_IMAGE089
、正样本扩增特征
Figure 390738DEST_PATH_IMAGE090
和负样本扩增特征
Figure 467278DEST_PATH_IMAGE092
是基于各 个样本车辆图像的扩增特征确定的。
基于上述任一实施例，识别单元用于：
将车辆图像输入至车辆重识别模型的特征提取层，得到特征提取层输出的特征；
将特征输入至车辆重识别模型的特征处理层，得到特征处理层输出的归一化特征；
将归一化特征输入至车辆重识别模型的特征识别层，得到特征识别层输出的车辆识别结果。
基于上述任一实施例，特征提取层为ResNet。
基于上述任一实施例，图4为本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器（Processor）410、通信接口（Communications Interface）420、存储器（Memory）430和通信总线（Communications Bus）440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑命令，以执行如下方法：
获取待识别的车辆图像；将车辆图像输入至车辆重识别模型，得到车辆重识别模型输出的车辆识别结果；其中，车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下，车辆重识别模型的增强交叉熵损失和增强三元组损失。
此外，上述的存储器430中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干命令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供的电子设备中的处理器可以调用存储器中的逻辑指令，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
获取待识别的车辆图像；将车辆图像输入至车辆重识别模型，得到车辆重识别模型输出的车辆识别结果；其中，车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下，车辆重识别模型的增强交叉熵损失和增强三元组损失。
本发明实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干命令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种车辆重识别方法，其特征在于，包括：
获取待识别的车辆图像；
将所述车辆图像输入至车辆重识别模型，得到所述车辆重识别模型输出的车辆识别结果；
其中，所述车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；
所述车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下所述车辆重识别模型的增强交叉熵损失和增强三元组损失；
所述基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增，包括：
Figure 506156DEST_PATH_IMAGE001
其中，
Figure 293983DEST_PATH_IMAGE002
为样本车辆图像
Figure 602605DEST_PATH_IMAGE003
的特征，
Figure 552106DEST_PATH_IMAGE004
为样本车辆图像
Figure 844547DEST_PATH_IMAGE003
的扩增特征，
Figure 669022DEST_PATH_IMAGE005
为高维高斯分布，
Figure 832150DEST_PATH_IMAGE006
为样本车辆图像
Figure 218132DEST_PATH_IMAGE003
的样本车辆标注结果，
Figure 732290DEST_PATH_IMAGE007
为
Figure 330761DEST_PATH_IMAGE006
对应的所有样本车辆图像的特征的 方差矩阵或者协方差矩阵，
Figure 879554DEST_PATH_IMAGE008
为调整系数；
所述车辆重识别模型的损失函数为：
Figure 436437DEST_PATH_IMAGE009
其中，
Figure 172312DEST_PATH_IMAGE010
为所述车辆重识别模型的损失函数，
Figure 105633DEST_PATH_IMAGE011
为增强交叉熵损失函数，
Figure 243354DEST_PATH_IMAGE012
为 增强三元组损失函数，
Figure 204094DEST_PATH_IMAGE013
为所述增强交叉熵损失函数的权重，
Figure 692844DEST_PATH_IMAGE014
为所述增强三元组损失函 数的权重；
所述车辆重识别模型的增强交叉熵损失函数为：
Figure 898698DEST_PATH_IMAGE015
其中，
Figure 890924DEST_PATH_IMAGE016
为样本车辆图像的数量，
Figure 55189DEST_PATH_IMAGE017
为样本车辆标注结果的数量，
Figure 765657DEST_PATH_IMAGE018
为
Figure 775201DEST_PATH_IMAGE006
对应的全 连接层权重，
Figure 887513DEST_PATH_IMAGE019
为
Figure 957101DEST_PATH_IMAGE006
对应的全连接层偏差，
Figure 420443DEST_PATH_IMAGE020
为样本车辆标注结果
Figure 466634DEST_PATH_IMAGE021
对应的全连接层权 重，
Figure 699032DEST_PATH_IMAGE022
为样本车辆标注结果
Figure 939521DEST_PATH_IMAGE021
对应的全连接层偏差，
Figure 624580DEST_PATH_IMAGE023
，
Figure 975927DEST_PATH_IMAGE024
为转置运算 符号。
2.根据权利要求1所述的车辆重识别方法，其特征在于，所述车辆重识别模型的增强三元组损失函数为：
Figure 62832DEST_PATH_IMAGE025
其中，
Figure 474221DEST_PATH_IMAGE026
为样本车辆图像的每个训练批次数量，
Figure 380997DEST_PATH_IMAGE027
为每个训练批次中样本车辆标注结果 的数量，
Figure 536035DEST_PATH_IMAGE028
为每个训练批次中单个样本车辆标注结果对应的样本车辆图像的数量，
Figure 477446DEST_PATH_IMAGE029
为训练 批次的标号，
Figure 394210DEST_PATH_IMAGE030
为样本车辆标注结果的标号，
Figure 788282DEST_PATH_IMAGE031
为单个样本车辆标注结果对应的样本车辆图 像的标号，
Figure 747011DEST_PATH_IMAGE032
为目标扩增特征
Figure 277350DEST_PATH_IMAGE033
与正样本扩增特征
Figure 296121DEST_PATH_IMAGE034
之间的距离，
Figure 177490DEST_PATH_IMAGE035
为目 标扩增特征
Figure 939909DEST_PATH_IMAGE033
与负样本扩增特征
Figure 855913DEST_PATH_IMAGE036
之间的距离，
Figure 514427DEST_PATH_IMAGE037
为正负样本对之间的距离阈值；
其中，所述目标扩增特征
Figure 850468DEST_PATH_IMAGE033
、所述正样本扩增特征
Figure 151000DEST_PATH_IMAGE034
和所述负样本扩增特征
Figure 187089DEST_PATH_IMAGE036
是基 于各个样本车辆图像的扩增特征确定的。
3.根据权利要求1或2所述的车辆重识别方法，其特征在于，所述将所述车辆图像输入至车辆重识别模型，得到所述车辆重识别模型输出的车辆识别结果，包括：
将所述车辆图像输入至所述车辆重识别模型的特征提取层，得到所述特征提取层输出的特征；
将所述特征输入至所述车辆重识别模型的特征处理层，得到所述特征处理层输出的归一化特征；
将所述归一化特征输入至所述车辆重识别模型的特征识别层，得到所述特征识别层输出的车辆识别结果。
4.根据权利要求3所述的车辆重识别方法，其特征在于，所述特征提取层为ResNet。
5.一种车辆重识别装置，其特征在于，包括：
获取单元，用于获取待识别的车辆图像；
识别单元，用于将所述车辆图像输入至车辆重识别模型，得到所述车辆重识别模型输出的车辆识别结果；
其中，所述车辆重识别模型是基于多个样本车辆标注结果，以及每一样本车辆标注结果对应的多个样本车辆图像训练得到的；
所述车辆重识别模型的损失函数用于表征在基于每一样本车辆标注结果对应的所有样本车辆图像的特征，对每一样本车辆标注结果对应的各个样本车辆图像的特征进行扩增的情况下所述车辆重识别模型的增强交叉熵损失和增强三元组损失；
所述装置基于如下公式进行特征扩增：
Figure 16504DEST_PATH_IMAGE001
其中，
Figure 138044DEST_PATH_IMAGE002
为样本车辆图像
Figure 242266DEST_PATH_IMAGE003
的特征，
Figure 601704DEST_PATH_IMAGE004
为样本车辆图像
Figure 133179DEST_PATH_IMAGE003
的扩增特征，
Figure 476436DEST_PATH_IMAGE005
为高维高斯分布，
Figure 118770DEST_PATH_IMAGE006
为样本车辆图像
Figure 863872DEST_PATH_IMAGE003
的样本车辆标注结果，
Figure 566249DEST_PATH_IMAGE007
为
Figure 629757DEST_PATH_IMAGE006
对应的所有样本车辆图像的特征的 方差矩阵或者协方差矩阵，
Figure 75782DEST_PATH_IMAGE008
为调整系数；
所述车辆重识别模型的损失函数为：
Figure 409811DEST_PATH_IMAGE009
其中，
Figure 283090DEST_PATH_IMAGE010
为所述车辆重识别模型的损失函数，
Figure 600938DEST_PATH_IMAGE011
为增强交叉熵损失函数，
Figure 319496DEST_PATH_IMAGE012
为 增强三元组损失函数，
Figure 39190DEST_PATH_IMAGE013
为所述增强交叉熵损失函数的权重，
Figure 83369DEST_PATH_IMAGE014
为所述增强三元组损失函 数的权重；
所述车辆重识别模型的增强交叉熵损失函数为：
Figure 622935DEST_PATH_IMAGE015
其中，
Figure 410763DEST_PATH_IMAGE016
为样本车辆图像的数量，
Figure 719384DEST_PATH_IMAGE017
为样本车辆标注结果的数量，
Figure 934465DEST_PATH_IMAGE018
为
Figure 459862DEST_PATH_IMAGE006
对应的全 连接层权重，
Figure 51380DEST_PATH_IMAGE019
为
Figure 214508DEST_PATH_IMAGE006
对应的全连接层偏差，
Figure 600490DEST_PATH_IMAGE020
为样本车辆标注结果
Figure 114648DEST_PATH_IMAGE021
对应的全连接层权 重，
Figure 244278DEST_PATH_IMAGE022
为样本车辆标注结果
Figure 527492DEST_PATH_IMAGE021
对应的全连接层偏差，
Figure 349954DEST_PATH_IMAGE023
，
Figure 85829DEST_PATH_IMAGE024
为转置运算 符号。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述车辆重识别方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述车辆重识别方法的步骤。
CN202111617341.XA 2021-12-28 2021-12-28 车辆重识别方法、装置、电子设备及存储介质 Active CN113989597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111617341.XA CN113989597B (zh) 2021-12-28 2021-12-28 车辆重识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111617341.XA CN113989597B (zh) 2021-12-28 2021-12-28 车辆重识别方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113989597A CN113989597A (zh) 2022-01-28
CN113989597B true CN113989597B (zh) 2022-04-05

Family

ID=79734676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111617341.XA Active CN113989597B (zh) 2021-12-28 2021-12-28 车辆重识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113989597B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097033A (zh) * 2019-05-15 2019-08-06 成都电科智达科技有限公司 一种基于特征扩充的单样本人脸识别方法
CN111553205A (zh) * 2020-04-12 2020-08-18 西安电子科技大学 无车牌信息车辆重识别方法、系统、介质、视频监控系统
CN112766281A (zh) * 2021-01-18 2021-05-07 深圳市华尊科技股份有限公司 车辆重识别方法、电子设备及相关产品
CN112990371A (zh) * 2021-04-27 2021-06-18 之江实验室 一种基于特征扩增的无监督夜间图像分类方法
CN113283507A (zh) * 2021-05-27 2021-08-20 大连海事大学 一种基于多视图的特征融合车辆再识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11455807B2 (en) * 2018-09-20 2022-09-27 Nvidia Corporation Training neural networks for vehicle re-identification
CN109886388B (zh) * 2019-01-09 2024-03-22 平安科技（深圳）有限公司 一种基于变分自编码器的训练样本数据扩充方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097033A (zh) * 2019-05-15 2019-08-06 成都电科智达科技有限公司 一种基于特征扩充的单样本人脸识别方法
CN111553205A (zh) * 2020-04-12 2020-08-18 西安电子科技大学 无车牌信息车辆重识别方法、系统、介质、视频监控系统
CN112766281A (zh) * 2021-01-18 2021-05-07 深圳市华尊科技股份有限公司 车辆重识别方法、电子设备及相关产品
CN112990371A (zh) * 2021-04-27 2021-06-18 之江实验室 一种基于特征扩增的无监督夜间图像分类方法
CN113283507A (zh) * 2021-05-27 2021-08-20 大连海事大学 一种基于多视图的特征融合车辆再识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Going Beyond Real Data: A Robust Visual Representation for Vehicle Re-identification;Zhedong Zheng等;《2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops 》;20200728;第464-473页 *
Set Augmented Triplet Loss for Video Person Re-Identification;Pengfei Fang等;《2021 IEEE Winter Conference on Applications of Computer Vision》;20210109;第2550-2558页 *

Also Published As

Publication number Publication date
CN113989597A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN110020592B (zh) 物体检测模型训练方法、装置、计算机设备及存储介质
CN109117781B (zh) 多属性识别模型的建立方法、装置及多属性识别方法
CN112288018B (zh) 文字识别网络的训练方法、文字识别方法和装置
CN113887538B (zh) 模型训练、人脸识别方法、电子设备及存储介质
CN110287311B (zh) 文本分类方法及装置、存储介质、计算机设备
CN110598603A (zh) 人脸识别模型获取方法、装置、设备和介质
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN116226785A (zh) 目标对象识别方法、多模态识别模型的训练方法和装置
CN117197904A (zh) 人脸活体检测模型的训练方法、人脸活体检测方法及装置
CN114579743A (zh) 基于注意力的文本分类方法、装置及计算机可读介质
CN112632248A (zh) 问答方法、装置、计算机设备和存储介质
CN114022706A (zh) 一种图像分类模型的优化方法、装置、设备及存储介质
CN112801099B (zh) 一种图像处理方法、装置、终端设备及介质
CN113989597B (zh) 车辆重识别方法、装置、电子设备及存储介质
CN112559688A (zh) 财报的阅读难度计算方法、装置、设备及可读存储介质
CN113111882B (zh) 一种卡证识别方法、装置、电子设备及存储介质
CN115713669A (zh) 一种基于类间关系的图像分类方法、装置、存储介质及终端
CN116047418A (zh) 基于小样本的多模态雷达有源欺骗干扰识别方法
CN112733670A (zh) 指纹特征提取方法、装置、电子设备及存储介质
CN116912920B (zh) 表情识别方法及装置
CN114663965B (zh) 一种基于双阶段交替学习的人证比对方法和装置
CN115311595B (zh) 视频特征提取方法、装置及电子设备
CN110163272B (zh) 双子空间特征迁移学习方法
CN117711002A (zh) 基于图像的文本识别方法及装置
CN116543788A (zh) 基于人工智能的语音检测方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant